工具使用代理会以两种方式失效：选错工具或形成错误论证。任一早期失误都可能在后续步骤中悄然传播，导致整体任务崩溃。我们在五个开源权重模型上，对无污染的多步任务（深度 1‑8）测量了正确调用率，分别在教师强制的干净上下文和模型自行自由运行的上下文下进行。结果显示，深度达到 6 时，模型在自由运行上下文中约有 70% 的原始能力被自身早期错误侵蚀（$L_6 = 0.686$, $L_6 = 0.684$）。
核心发现聚焦于测量本身。使用对固定金标准轨迹的精确匹配评分时，传播模型的严重度和恢复率参数不仅难以估计，甚至被评分规则固定。严重度被迫为边界值（869 步中 0 步正确），恢复率在结构上不可观测（580 步中 0 步回到正轨，理论随机期望为 0.0058）。这源于一个机制：在模型偏离后，金标准值由模型从未见过的工具常量生成，信息对模型不可得。即便如此，拟合仍返回 0.92 与 0.73，虽然真实值恰为 1.000——即评分规则已经决定了参数值，却仍给出高置信度数字。
我们提出了解决方案——条件状态评分（conditional‑on‑state scoring），可对已缓存的完成结果进行后处理，零额外成本地解除严重度对零的固定，使其在内部估计区间内波动（+0.149, +0.316）。
博主点评：本文揭示了常用精确匹配评分在多步工具使用任务中的盲点，并提供了实用的后处理方法，值得在评估框架中推广使用。